Unidad 4: Series de tiempo

Tema: Series de tiempo y suavización exponencial simple

Bibliografía:
• Anderson David, Sweeney Dennis y Willians Thomas (2010). Estadística para la administración y
economía. 10ma Edición. Cengage Learning Ediores, México D.F. capítulo 18. Página 765
• Gujarati Damodar N. y Porter Dawn C. (2010). Econometría. México Dc. Graw Hill. Capítulo 21 y 22
pag. 737
• Render Barry y Slair Ralph. (2016). Métodos cuantitativos para los negocios. 12va Edición. Pearson
Prentice Hall. Capítulo 5. Pag 175

Conceptos básicos (después de revisar la infografía)

1. Serie de tiempo es:

Una serie de tiempo es una secuencia de datos tomados de una variable en determinados momentos y
ordenados cronológicamente (diario, mensual, trimestral, anual, etc.)

2. Características de:

Serie estacionaria Serie no estacionaria

▪ Valores de la variable alrededor de una media.
▪ No presentan tendencia
▪ No presentan estacionalidad o sea no hay patrón
que se repite de manera regular en periodos
cortos plazo.
▪ No presentan tampoco un comportamiento
cíclico.
▪ La media y la variabilidad se mantienen constantes
a lo largo del tiempo.
▪ Presenta tendencia o estacionalidad.
▪ Presenta tendencia
▪ Presenta estacionalidad (es decir hay un patrón
que se repite de manera regular en periodos de
corto plazo.
▪ La media y la variabilidad no se mantienen
constantes a lo largo del tiempo.

Responda lo siguiente:

3. En suavización exponencial, si usted desea dar un peso significativo a las observaciones más recientes,
entonces la constante de suavización deberá ser:

a. cercana a 0 b. Cercana a 1 c. Cercana a 0.5 d. Menor al error

4. ¿Cuál de las siguientes opciones se emplea para alertar al usuario acerca de un modelo de pronóstico
que tiene un error significativo en los últimos períodos?

a. Una constante de suavización

b. Una señal de rastreo
c. Un coeficiente de regresión
La suavización exponencial, es un método de pronóstico que se basa en suavizar (promediar), los valores
pasados de una serie en forma exponencialmente creciente. Supone que los datos son estacionarios (sin
estacionalidad).
Las observaciones se ponderan asignando los pesos (α) más grandes a las más recientes.

Modelo matemático:

Ŷ t + 1 = αYt + α(1 - α)Yt - 1 + α(1 - α)2 Yt - 2 + α(1 - α)3 Yt - 3 + ...

Suavización exponencial simple

Sin embargo, la técnica de suavización exponencial simple puede ser usada como método de pronóstico
cuando los datos son estacionarios (sin estacionalidad).

Modelo matemático:
Ŷ t + 1 = αYt + (1 - α)Ŷ t

Ŷt+1: Nuevo valor suavizado o valor de pronóstico para el siguiente periodo (t +1).
α: Constante de suavización (0< α < 1)
Yt: Valor real de la serie en el periodo t
Ŷt: Valor suavizado en el periodo t

Donde para el primer valor: Ŷ1= Y1

Medición del error de pronóstico

El error o residual de un pronóstico en el período t, se calcula: et = Yt – Ŷt

et = error de pronóstico en el período t

Yt = Valor real de la serie en el período t
Ŷt = Valor del pronóstico en el período t

Indicadores de medición del error en el pronóstico:

1. Desviación Absoluta de la Media (DAM)
2. Porcentaje de Error Medio Absoluto (PEMA)
El mejor pronóstico es el que presenta el menor valor en el indicador de la medición del error.

DAM o MAD: Mide la exactitud del pronóstico que

Desviación Absoluta de la Media
evita el problema de los errores positivos y
σnt= 1ȁYt - Ŷ t ȁ negativos que se compensan entre sí. Expresa
DAM = exactitud en las mismas unidades que los datos, lo
n
cual ayuda a conceptualizar la cantidad de error.

Porcentaje de Error Medio Absoluto

PEMA O MAPE: Mide la exactitud de los valores
ȁYt - Ŷ t ȁ ajustados de las series de tiempo. PEMA expresa la
σnt= 1
Yt exactitud como un porcentaje.
PEMA =
n
Señal de rastreo o señal de control
La señal de rastreo mide cuan bien se ajustan los pronósticos a los datos reales. En el caso que la señal de
rastreo se encuentra fuera de los límites [-2; 2], esto nos indicará un cambio en el valor de la constante de
suavización (α), y se desecha el pronóstico. (Render B.)

CEF Suma de errores

Señal de rastreo (SR) = =
DAM Desviación media absoluta

σnt= 1ȁYt - Ŷ t ȁ
Donde: CEF = σnt= 1(Yt - Ŷ t ) DAM = n

Procedimiento para seleccionar el mejor pronóstico en series estacionarias

1. Identificar el tipo de serie y/o componentes

A través de

Grafica de serie

No estacionaria Estacionaria

Método de 2. Aplicar la técnica estadística para obtener

descomposición pronósticos (Suavización exponencial simple)

Modelo: Ŷ t + 1 = αYt + (1 - α)Ŷ t, 0 ≤ α ≤1

Con las constantes (α) elegidas calcular el

pronóstico

3. Evaluar la idoneidad del pronóstico

Descartar el No
¿SR ɛ [-2, 2]?
pronóstico
Si

4. Escoger el mejor modelo de pronóstico

(Menor PEMA)
Casos de aplicación
Caso: Empresa Aceros S.A.

La empresa Aceros S.A., se dedica a la distribución de aceros, la cual corta hojas de acero de bobinas
suministradas por grandes fabricantes. Un pronóstico exacto de utilización de bobinas podría ser muy útil para
controlar los inventarios de materia prima y eso le permitirá al gerente de la empresa tomar la decisión de
abastecimiento oportuno. Si el pronóstico para la cantidad de acero utilizado para el siguiente periodo es
mayor que 250 kg., entonces decidirá hacer nuevo pedido.

Las cantidades utilizadas en los últimos 16 meses de utilización de acero (en kg) se proporcionan a
continuación:

Año Mes Cantidad de acero (kg)

Octubre 206.807
2019 Noviembre 131.075
Diciembre 124.357
Enero 149.954
Febrero 169.799
Marzo 216.843
Abril 288.965
Mayo 219.018
Junio 65.885
2020
Julio 179.739
Agosto 251.969
Setiembre 205.806
Octubre 304.58
Noviembre 293.434
Diciembre 273.725
2021 Enero 210.629

¿Qué decisión deberá tomar el gerente de la empresa distribuidora de acero? Use un nivel de significación de
0.05

1. ¿Cuál es la problemática que deberá resolver? Marca con “x” la opción correcta.
a. ¿Existe relación lineal entre la cantidad de acero usado y el tiempo?
b. ¿EL gerente decidirá hacer nuevo pedido de acero para controlar el inventario de materia prima?
c. ¿Cuánto es el pronóstico de cantidad de acero utilizado para el siguiente periodo?
d. ¿La cantidad de acero utilizado para el siguiente periodo es mayor que 250 kg?

2. Defina la variable dependiente e independiente del problema.

Y: Cantidad de acero utilizado (kg)

X: Tiempo (meses)
 1. Identificar el tipo de serie y/o componentes

3. Analice el gráfico de la serie y señale el tipo de serie: estacionaria o no estacionaria

Se observa en el gráfico que los valores de la variable se encuentran alrededor de una media, no presentan
tendencia creciente o decreciente. Además, no es posible apreciar estacionalidad en la serie. Por lo tanto, la
serie de tiempo es estacionaria.

2. Aplicar la técnica estadística para obtener pronósticos

4. Calcular el pronóstico con el método de suavización exponencial simple: Ŷ t + 1 = αYt + (1 - α)Ŷ t, donde se
utilizó α= 0.3, 0.5, 0.7

Constante de suavización Constante de suavización

α 0.3 α 0.5

Medidas de exactitud Medidas de exactitud

MAPE 33.77 MAPE 34.73
MAD 50.86 MAD 50.56
MSD 4414.70 MSD 4533.91

Pronósticos Pronósticos
Período Pronóstico Inferior Superior Período Pronóstico Inferior Superior
Feb/2021 243.011 118.413 367.608 Feb/2021 242.385 118.519 366.251

Constante de suavización

α 0.7

Medidas de exactitud
MAPE 36.86
MAD 54.10
MSD 4645.64

Pronósticos
Período Pronóstico Inferior Superior
Feb/2021 230.878 98.3289 363.427
 α = 0.3
t Mes Cantidad de acero (Y t ) Ŷ t et |e t | |e t |/Yt
1 Octubre 206.807 206.8070 0.0000 0.0000 0.0000
2 Noviembre 131.075 206.8070 -75.7320 75.7320 0.5778
3 Diciembre 124.357 184.0874 -59.7304 59.7304 0.4803
4 Enero 149.954 166.1683 -16.2143 16.2143 0.1081
5 Febrero 169.799 161.3040 8.4950 8.4950 0.0500
6 Marzo 216.843 163.8525 52.9905 52.9905 0.2444
7 Abril 288.965 179.7496 109.2154 109.2154 0.3780
8 Mayo 219.018 212.5143 6.5037 6.5037 0.0297
9 Junio 65.885 214.4654 -148.5804 148.5804 2.2551
10 Julio 179.739 169.8913 9.8477 9.8477 0.0548
11 Agosto 251.969 172.8456 79.1234 79.1234 0.3140
12 Setiembre 205.806 196.5826 9.2234 9.2234 0.0448
13 Octubre 304.58 199.3496 105.2304 105.2304 0.3455
14 Noviembre 293.434 230.9187 62.5153 62.5153 0.2130
15 Diciembre 273.725 249.6733 24.0517 24.0517 0.0879
16 Enero 210.629 256.8888 -46.2598 46.2598 0.2196
17 Febrero Pronóstico 243.0109 120.6796 50.8571 0.3377
CEF DAM PEMA
Tabla de resumen
Constante de suavización Pronósticos PEMA
α = 0,3 243.010 33.77%
α = 0,5 242.384 34.73%
α = 0,7 230.878 36.86%

3. Evaluar la idoneidad del pronostico

5. A partir del cálculo de la señal de rastreo, evaluar la idoneidad del pronóstico calculado con cada constante
de suavización (α = 0,3; α = 0,5 y α = 0,7).

Constante de suavización CEF DAM Señal de rastreo (SR)

120.6796
α = 0.3 120.6796 50.8571 = 2.3729
50.8571
71.1556
α = 0.5 71.1556 50.5584 = 1.4074
50.5584
34.3871
α = 0.7 34.3871 54.1027 = 0.6356
54.1027

El pronostico que fue calculado con la constante de suavización 0.3 será descartada, porque su respectiva
señal de rastreo se encuentra fuera de los limites admisibles [-2; 2].
 4. Escoger el mejor modelo de pronóstico

6. En base a la medición del error PEMA, escoger el mejor pronóstico.

Constante de suavización Pronósticos PEMA

α = 0.5 242.3848 34.73%
α = 0.7 230.8780 36.86%

El mejor pronóstico es aquel cuya constante de suavización es de 0.5, porque presenta el menor PEMA.
Por lo tanto, la empresa utilizaría 242.3848 kg. de acero durante el mes de febrero de 2021.

7. La respuesta de la problemática del caso es:

El gerente de la empresa distribuidora de acero no decidirá hacer nuevo pedido, porque la cantidad de
acero que se utilizaría en el mes de febrero no es mayor a 250 kg.